TL;DR
Too Long, Don't Read ? Pas de problème : le Promptcast, c'est par ici 😉
D'ordinaire, pour produire une étude de management convaincante, il faut un cabinet de conseil mondial, 1 719 répondants dans 97 pays et probablement plus de slides PowerPoint qu'une imprimante moyenne n'en encaisse au cours de toute sa vie.
Ou alors, on lit it's promp.td.
Ce n'est évidemment pas tout à fait sérieux. McKinsey dispose d'une portée empirique qu'aucun blog indépendant ne peut offrir. La nouvelle étude « The State of AI in 2026: On the Road to ROI » repose sur une enquête mondiale menée en mai et juin 2026 et montre jusqu'où les entreprises sont réellement allées dans l'usage, le passage à l'échelle et la valorisation économique de l'IA.
Un tout petit peu sérieux quand même. Car les chiffres de McKinsey décrivent avec une précision étonnante plusieurs problèmes dont les mécanismes avaient déjà été analysés sur it's promp.td. Et certaines questions posées ici depuis longtemps n'apparaissent même pas encore dans le modèle de mesure de l'étude.
89 % utilisent l'IA – mais où est passé le ROI ?
89 % des organisations interrogées utilisent régulièrement l'IA dans au moins une fonction métier. 44 % la déploient déjà à l'échelle de l'entreprise. Pourtant, seules 37 % lui attribuent une quelconque contribution positive à l'EBIT, pratiquement autant qu'en 2025. À peine 6 % (!) sont considérées comme des « AI High Performers », avec au moins 5 % d'impact sur l'EBIT et une création de valeur significative.
À l'échelle individuelle, le tableau est tout autre : 80 % font état d'une productivité personnelle accrue, environ la moitié de meilleures décisions et de nouvelles compétences.
Ce n'est pas une contradiction. C'est la différence entre une tâche accélérée et une entreprise améliorée. Celui qui boucle une présentation en une heure au lieu d'une journée, mais doit ensuite la faire passer par sept circuits de validation et quatre réunions, a optimisé sa tâche. Pas le processus.
Ou, comme on l'écrivait ici dès 2025 :
It's always the Process, Stupid!
L'IA ne répare pas un workflow bancal. Elle lui permet seulement de produire des absurdités plus vite.
Derrière, il y a le piège du POC : on découvre un outil, une équipe construit une preuve de concept impressionnante, le management applaudit – et ensuite, il ne se passe étonnamment pas grand-chose. Car un POC dit seulement si une technologie sait faire quelque chose en conditions de laboratoire. Pas si une entreprise peut transformer son processus réel de bout en bout, ses rôles, ses données et ses systèmes d'incitation de manière à en tirer durablement de la valeur.
Les High Performers de McKinsey le confirment précisément : près des trois quarts d'entre eux ont repensé en profondeur leurs workflows grâce à l'IA, contre environ un quart seulement parmi les autres entreprises. Ils sont en outre 3,3 fois plus souvent orientés vers une transformation profonde de leur activité plutôt que vers la simple efficacité.
Ceux qui réussissent n'installent donc pas l'IA dans l'organisation existante. Ils transforment l'organisation.
Ce qu'il faut vraiment faire passer à l'échelle, ce n'est ni le modèle, ni le prompt, ni le Copilot. C'est le processus de bout en bout, entièrement repensé.
McKinsey vient de fournir les histogrammes. Merci : ils n'étaient pas dans notre budget. 😉
Le code bouscule le « build or buy »
La thèse selon laquelle le code deviendra la killer app de l'IA générative reçoit elle aussi un soutien remarquable.
Environ une entreprise sur cinq déploie déjà des agents de code à l'échelle ; parmi celles qui réalisent plus d'un milliard de dollars de chiffre d'affaires, c'est 31 %. Plus important encore : 32 % ont renoncé à au moins un achat de logiciel parce qu'elles ont pu développer la fonction nécessaire en interne avec des outils de code agentiques. Chez les High Performers, c'est presque la moitié.
Cela va bien au-delà de « les développeurs codent plus vite ». C'est l'économie du logiciel qui change. Quand un logiciel sur mesure coûte moins cher à produire, les entreprises n'ont plus à faire entrer de force chaque problème de processus dans une solution standard. La question glisse de « Quel logiciel pouvons-nous acheter ? » à « De quel processus avons-nous besoin, et quelle part pouvons-nous en produire nous-mêmes ? »
Les budgets pourraient ainsi migrer des licences vers la logique de processus interne, l'intégration, l'architecture et l'assurance qualité. C'est précisément ce glissement qu'avait prédit it's promp.td.
Les agents, c'est du design organisationnel
Dans les grandes entreprises, la part de celles qui déploient des agents IA à l'échelle dans au moins une fonction est passée en un an de 27 à 40 %. Dans les plus petites, elle est restée quasiment stable, à 22 %.
Mais la question intéressante n'est pas seulement de savoir si les agents arrivent. C'est celle-ci : que se passe-t-il quand le logiciel ne se contente plus de répondre, mais devient un acteur à part entière de l'organisation ?
Un agent a besoin de contexte, d'accès aux systèmes, de rôles, d'autorisations, de règles d'escalade, d'étapes intermédiaires vérifiables et d'une frontière claire entre action autonome et décision humaine.
C'est exactement cette maturité organisationnelle que McKinsey observe plus souvent chez les High Performers : règles human-in-the-loop, gestion des risques, mesure d'impact, planification stratégique des effectifs, refonte des workflows et structures de données sémantiques. Dans la plupart des fonctions étudiées, ils déploient des agents à l'échelle plus de trois fois plus souvent que les autres entreprises.
L'IA agentique n'est donc pas un déploiement logiciel ordinaire. C'est du design organisationnel.
Après tout, un agent sans contexte, sans droits et sans contrôle n'est pas un collaborateur numérique. C'est un stagiaire très éloquent à qui quelqu'un a confié par mégarde le passe-partout.
La taxe sur les prompts devient visible
McKinsey constate en outre que les coûts d'exploitation liés à l'IA, tokens compris, freinent déjà l'usage dans 20 % des organisations ; chez les High Performers, surtout lors de l'utilisation intensive d'agents de code. Dans le même temps, 60 % prévoient d'augmenter encore leurs investissements en IA.
Apparaît ainsi un problème décrit ici sous le nom de taxe sur les prompts : quand une entreprise doit transmettre à chaque appel les mêmes règles, exemples, documents et expériences à un modèle externe, elle paie encore et encore pour expliquer à l'IA sa propre entreprise.
La baisse du prix des tokens ne règle pas cela automatiquement. Volumes de contexte, étapes de raisonnement, boucles d'agents et usage peuvent croître plus vite que le coût unitaire ne baisse. L'IA n'est pas « too cheap to meter ».
L'indicateur pertinent n'est donc pas le prix par million de tokens. C'est le coût par instance de processus correctement menée à terme, répétitions, contrôle, intégration et retouches humaines comprises.
McKinsey mesure désormais le symptôme. La question structurelle sous-jacente est : combien de temps une entreprise compte-t-elle encore relouer à la demande son propre savoir ?
Ce que McKinsey ne mesure pas encore
Ici, la précision compte. Quand une étude ne confirme pas une thèse, il y a trois raisons possibles. La thèse est fausse. Le phénomène n'est pas encore assez visible. Ou l'étude n'a tout simplement pas collecté les catégories qui permettraient de le détecter.
Pour plusieurs thèses d'it's promp.td, c'est surtout le troisième cas :
- McKinsey mesure si les entreprises utilisent des outils d'IA spécialisés, mais pas si de petits modèles spécialisés sont plus rentables que les modèles frontier sur les processus de routine.
- L'étude mesure les coûts d'exploitation de l'IA, sans les ventiler entre contexte répété, RAG, fine-tuning, exploitation locale ou propriété des modèles et des données de feedback.
- Elle mesure les effectifs globaux, mais pas si les tâches d'entrée de carrière disparaissent et si le vivier de compétences s'érode.
Ce dernier point, c'est la « séniorisation des juniors » décrite ici : en 2025, 32 % s'attendaient à une baisse des effectifs due à l'IA ; en 2026, elle ne s'est produite que chez 14 %. Cela ne réfute pas la thèse pour autant. Elle ne parle pas de licenciements massifs, mais de l'échelle des carrières. Quand l'IA prend en charge la recherche documentaire, le code standard et les premières analyses, les effectifs restent d'abord stables, tandis que disparaissent précisément les tâches sur lesquelles les débutants faisaient jusqu'ici leurs armes. McKinsey compte des têtes. La question la plus passionnante est :
D'où viendront demain les têtes seniors, si les tâches juniors disparaissent ?
McKinsey mesure des symptômes, it's promp.td décrivait des mécanismes
Ce que McKinsey mesure en 2026 | Le mécanisme décrit par it's promp.td |
|---|---|
Forte productivité individuelle, mais faible diffusion de l'impact sur l'EBIT. | Accélérer les tâches sans repenser les processus ne produit pas de ROI pour l'entreprise. |
Les High Performers repensent leurs workflows en profondeur. | La transformation IA, c'est de la Business Process Optimization, pas l'introduction d'un outil. |
32 % remplacent au moins un achat de logiciel par un développement interne. | Le code génératif déplace la frontière entre build et buy. |
Les coûts de l'IA limitent déjà l'usage. | Le contexte répété engendre une taxe sur les prompts. |
Les High Performers utilisent plus souvent des couches sémantiques ou des knowledge graphs. | Le savoir institutionnel devient un actif stratégique pour l'IA. |
Les agents se déploient surtout dans les grandes entreprises matures sur le plan organisationnel. | L'IA agentique exige des droits, du contexte, une gouvernance et une architecture de processus. |
Les baisses d'effectifs restent en deçà des attentes. | La disruption précoce se manifeste dans les tâches et les parcours de carrière, pas immédiatement dans les effectifs. |
McKinsey montre très bien ce qui se passe. it's promp.td avait, dans plusieurs cas, décrit plus tôt pourquoi cela allait se produire.
Petite notice d'utilisation : l'étude de McKinsey repose majoritairement sur du déclaratif, le groupe des High Performers ne compte que 92 répondants, et une corrélation, même dans un joli graphique, n'est pas une causalité. À l'inverse, une thèse de blog ne devient pas de la recherche empirique simplement parce que des données ultérieures lui donnent raison. La comparaison n'est sérieuse que si l'affirmation initiale, sa date de publication et le constat ultérieur sont posés côte à côte de façon traçable, y compris les prévisions restées ouvertes ou démenties.
L'affirmation solide n'est donc pas que McKinsey copie sur ce blog. Ce serait absurde, quoique fort flatteur. 😉 La voici :
Les données 2026 de McKinsey étayent plusieurs explications sur la mise en œuvre de l'IA formulées auparavant sur it's promp.td. D'autres thèses dépassent le modèle de mesure de l'étude et restent des prévisions vérifiables.
Pourquoi un blog peut-il être plus rapide ici ? Pas grâce à de meilleures données, bien au contraire. Une grande enquête a besoin de notions stables et de phénomènes suffisamment répandus ; elle travaille a posteriori. Un blog analytique peut se demander ex ante : si la technologie, les coûts et la logique organisationnelle vont dans cette direction, quel problème va en naître demain ? C'est plus rapide, mais aussi plus risqué. D'où la règle : documenter ses prévisions, ne pas confondre un pronostic juste avec une certitude, rendre les erreurs aussi visibles que les confirmations.
Ce qui vient probablement ensuite
Particulièrement intéressante : l'observation de McKinsey selon laquelle les High Performers utilisent plus souvent une couche de données sémantique ou un knowledge graph. Un knowledge graph répond à la question : comment rendre notre savoir d'entreprise accessible à l'IA ? Car les modèles frontier connaissent Internet. Pas votre entreprise, ni ses règles non écrites, ses décisions passées et ses exceptions propres à chaque client.
L'article « L'Intelligence Ownership devient un business case » pousse la réflexion plus loin. La prochaine question stratégique n'est pas seulement de savoir comment le savoir parvient à l'IA, mais où vit l'intelligence qui en découle et à qui elle appartient. Tant que le contexte est retransmis à un modèle tiers à chaque opération, l'entreprise reste locataire de sa propre intelligence.
Le prochain niveau de maturité pourrait bien résider dans une architecture hybride :
- Les modèles frontier traitent les tâches rares, ouvertes et créatives.
- Les knowledge graphs et le RAG fournissent des faits à jour et vérifiables.
- De petits modèles spécialisés apprennent les décisions fréquentes et clairement mesurables.
- Des agents orchestrent les composants tout au long du processus.
- Des humains contrôlent les exceptions et les décisions lourdes de conséquences.
L'avantage durable tient alors moins au nom du modèle de base. Les modèles deviennent de plus en plus interchangeables. Ce qui ne l'est pas : les jugements labellisés de ses propres experts, les taxonomies, les règles d'exception et les boucles de feedback. Bref, la mémoire institutionnelle.
C'est pourquoi la question qui succédera à « Build or buy ? » pourrait bien être :
Quelle intelligence pouvons-nous louer, et laquelle devrait nous appartenir ?
Et maintenant ?
L'étude met surtout une chose en évidence : la première phase de l'IA en entreprise touche à sa fin. L'accès aux outils n'est plus le problème, 89 % utilisent déjà l'IA quelque part. La deuxième phase commence avec des questions plus inconfortables :
- Quel processus métier complet doit changer ?
- Quelles étapes sont supprimées, et pas seulement accélérées ?
- Comment le temps gagné individuellement se traduit-il en chiffre d'affaires, en marge ou en meilleures prestations ?
- De quel savoir institutionnel l'IA a-t-elle besoin durablement ?
- Quelles décisions un agent a-t-il le droit de prendre, et qui contrôle le résultat ?
- Combien coûte un résultat correctement mené à terme, et pas seulement un token ?
- Comment formera-t-on les experts de demain, si l'IA fait aujourd'hui le travail des débutants ?
Celui qui répond à ces questions uniquement par le nom de son modèle préféré n'a pas de stratégie IA. Il a un abonnement.
Peut-être que, dans une prochaine étude, McKinsey ne posera donc plus seulement des questions sur les knowledge graphs, les agents et le coût des tokens, mais aussi sur les modèles spécialisés maison, les données d'entraînement, les labels d'experts et une stratégie d'Intelligence Ownership. Ce jour-là, les lectrices et lecteurs d'it's promp.td auront déjà intégré le sujet. 😉
Car en 2025, je lançais le leitmotiv :
It's always the Process, Stupid!
En 2026 est venu le complément :
But it's also the Data. And in the end, it's about who owns your Intelligence.
Même direction. Moins de slides. Publié un peu plus tôt.
Et, bon… à l'œil. 😉
